1.在线前馈补偿的动力电池电荷状态估计方法，包括如下步骤：步骤Ⅰ、建立动力电池模型及电压电流采样、参数辨识动力电池模型为：等效极化电阻R1与等效极化电容C1并联构成一阶RC网络，串接等效欧姆电阻R0和Uoc，Uoc为电池的开路电压OCV，电池放电过程负载电流I为正，电池充电过程负载电流I为负，动力电池的模型表示为：

离散化后得到

E(k)＝a1E(k-1)+a2I(k)+a3I(k-1)△Uoc(k)＝Uoc(k)-Uoc(k-1)≈0U(k)＝(1-a1)Uoc(k)+a1U(k-1)+a2I(k)+a3I(k-1)T

定义 θ(k)＝[(1-a1)Uoc(k) a1 a2 a3]和yk＝U(k)，其中，k时刻得到电压采样值U(k)和负载电流采样值I(k)；

则：

步骤Ⅱ、自适应卡尔曼滤波的参数辨识

直接对步骤I所得的 使用自适应卡尔曼滤波算法，对模型参数θ＝T

[(1-a1)Uoc a1 a2 a3]进行辨识，得到开路电压Uoc，即OCV；

由辨识出a1，a2，a3，得对应电池模型参数为：步骤Ⅲ、OCV-SOC关系的神经网络建模选择BP神经网络描述开路电压OCV到电荷状态SOC的映射关系，含M节点隐层的BP网络结构中i为输入层，j为隐层，k为输出层；

OCV为神经网络输入为xj＝OCV，隐层神经元的输出为

输出层神经元的输出为

采用最速下降法，对BP神经网络学习，建立OCV-SOC映射关系，其中，OCV由步骤Ⅱ得到，SOC通过高精度电池回路电流的SOC定义的传统实验方法得到；用OCV-SOC映射关系、由开路电压OCV得到电荷状态SOC估计值，表示为NNSOC；

步骤Ⅳ、电荷状态估计值的前馈补偿

求k时刻的前馈补偿为BSOCk，用于对步骤Ⅲ神经网络辨识得到的NNSOC的前馈补偿；

其中，库伦效率ηk-1＝1，△t＝1，Cn为电池标称容量；

在线前馈补偿的电荷状态SOCFeedback,k由下式求得SOCfeekback,k＝α*NNSOCk+β*BSOCk其中，NNSOCk为通过神经网络辨识得到的电荷状态估计值，α、β为加权系数。

2.根据权利要求1所述的在线前馈补偿的动力电池电荷状态估计方法，其特征在于：所述步骤Ⅳ中加权系数0＜α＜1，0＜β＜1，且α+β＝1。

3.根据权利要求1或2所述的在线前馈补偿的动力电池电荷状态估计方法建立的在线前馈补偿的动力电池电荷状态估计系统，其特征在于：包括嵌入式微控制器及其连接的显示器，动力电池输出端接有电压传感器和电流传感器；嵌入微控制器含有自适应卡尔曼滤波的动力电池模型参数辨识模块、SOC与OCV的神经网络模型的SOC估计模块以及SOC前馈补偿模块；电压传感器和电流传感器经模数转换模块连接嵌入微控制器，嵌入微控制器的CAN接口与使用动力电池设备的CAN网络连接。

4.根据权利要求3所述的在线前馈补偿的动力电池电荷状态估计系统，其特征在于：所述在线前馈补偿的动力电池电荷状态估计系统与动力电池一起，嵌入在使用动力电池的设备中。